Reevaluando la educación empresarial para 2030: un artículo colectivo del Business Physics AI Lab

Autores: Este artículo fue escrito conjuntamente por dieciséis miembros del Laboratorio de Simulación de Física Empresarial con IA: Thomas Hormaza Dow (Fundador y Director del Laboratorio), Vinay Kumar (Consultoría Avanzada en Inteligencia Artificial), Sebastien Favre (Medidas de Fiabilidad de la IA), Ann Lockquell (Innovación y Creatividad), Dr. Banafsheh Peyrovian (IA, Comportamiento Empresarial e Innovación), Dr. Ahmed Hegazy (Investigación de Mercado), Martin Berezaga (Big Data y Análisis de Negocios), Viviane Paul (Gestión y Liderazgo), Lyndon Johnson (Relaciones Públicas e Insights de los Medios), Naomi Tessier (Contenido generado por IA), Christine Gerard (Informática y Gestión de Proyectos), Dr. Amin Ranj Bar (Diseño de Software y Ciberseguridad), Aboubakar Samake (Modelos e Instrumentos de IA), Hichem Benzair (Desarrollo de Software de IA), Jon Schlaich (IA y Automatización de Marketing) y Annabelle Roy (IA y Literacidad Digital). Dos agentes de IA también aportaron respuestas: Charlie AI (Evidencia, Asumiciones y Examen Cuantitativo) y Lena AI (Perspectivas Humanas, Culturales y Sociales).

Resumen: La inteligencia artificial generativa y agente (IA) puede ahora producir análisis de mercado, previsiones y presentaciones a clientes en cuestión de minutos. Por lo tanto, la producción final revela poco sobre lo que entiende un estudiante de negocios. Este artículo conceptual pregunta qué capacidades humanas debe desarrollar deliberadamente la educación empresarial para 2030 para que la IA amplíe la competencia profesional mientras que el juicio, la agencia y la responsabilidad se mantienen con la persona. Diez miembros del Laboratorio de Simulación de IA de Física Empresarial respondieron a esta pregunta desde sus propios campos, que incluyen la IA agente, la fiabilidad de la IA, la investigación de mercado, la analítica, el liderazgo, las relaciones públicas, la gestión de proyectos, la ciberseguridad y la automatización del marketing. Dos agentes de IA también respondieron. Una síntesis de las dieciocho perspectivas identifica seis capacidades: rendición de cuentas y supervisión; pensamiento independiente y elaboración de problemas; evidencia, verificación y evaluación crítica; comunicación humana y relaciones interpersonales; agilidad y resiliencia profesionales; y IA y alfabetización tecnológica. Todos estos aspectos se basan en el conocimiento del campo y la experiencia en la realización de la tarea. Diez patrones se repiten en todas las contribuciones, más comúnmente que las fundaciones deben preceder a la delegación y que la supervisión debe ser proporcional al riesgo. El artículo introduce el principio de seguridad de aprendizaje por diseño y propone cuatro niveles de responsabilidad humana (Debe realizarse, Debe entenderse, Debe verificarse, Debe ser propio) para decidir cómo la IA debe participar en una actividad de aprendizaje. Aplica el marco REACT (Razón, Evidencia, Rendición de cuentas, Restricciones, Compromisos) como hábito de decisión para los estudiantes. Se presentan diez recomendaciones para los programas de negocios, que incluyen evaluar el juicio junto con los resultados y hacer de la conciencia de los recursos una parte fundamental de la evaluación de la inteligencia artificial. El artículo sostiene que el objetivo es la complementariedad entre humanos y inteligencia artificial.

Palabras clave educación empresarial; inteligencia artificial; complementariedad humano-inteligencia artificial; juicio profesional; rendición de cuentas; alfabetización en inteligencia artificial; diseño de currículos; marco REACT

Cita sugerida: Hormaza Dow, T., Kumar, V., Favre, S., Lockquell, A., Peyrovian, B., Hegazy, A., Berezaga, M., Paul, V., Johnson, L., Tessier, N., Gerard, C., Ranj Bar, A., Samake, A., Benzair, H., Schlaich, J., y Roy, A. (2026, 3 de octubre). ¿Qué debe seguir siendo humano? Repensando la educación empresarial para 2030. Física empresarial. https://businessphysics.ai/what-must-remain-human-education-for-2030/

DOI: https://doi.org/10.5281/zenodo.23123642

Imagina a una estudiante de negocios en el año 2030. Llámala Maya. Un martes por la mañana, ella pide a un sistema de inteligencia artificial que le haga un análisis de mercado, una previsión financiera y una presentación de cliente. Antes de que se enfríe su café, todos los tres están listos y todos ellos parecen profesionales.

Luego el cliente hace una pregunta: “¿Por qué supusiste un crecimiento del 12%?” La respuesta de Maya es el tema de este artículo.

Para 2030, la IA podría realizar de forma rutinaria la investigación de mercados, analizar datos, redactar propuestas, crear campañas, escribir software y recomendar o llevar a cabo acciones. Cuando el trabajo perfeccionado tarda solo unos minutos, el resultado no aporta a los educadores y empleadores información muy precisa sobre la persona que lo ha realizado.

Nuestro argumento es que la educación empresarial debería proteger deliberadamente seis capacidades humanas en el camino hacia 2030: la rendición de cuentas y la supervisión, el pensamiento independiente y la formulación de problemas, la evidencia y la verificación, la comunicación y las relaciones humanas, la agilidad profesional y la resiliencia, y la IA y la alfabetización técnica. Todos estos aspectos se basan en el conocimiento del campo y la experiencia en la realización del trabajo.

¿Por qué estos seis? Un profesional hace más que entregar una salida aceptable. Un profesional entiende el problema, nota cuando una respuesta no tiene sentido, analiza la evidencia, habla con la gente, decide en situaciones de incertidumbre, pide ayuda cuando es necesario y acepta la responsabilidad de lo que sigue.

La IA puede mejorar la capacidad de las personas en todos estos aspectos cuando se utiliza de manera adecuada. El objetivo es la complementariedad entre humanos y IA, lo que significa que tanto las personas como la IA aporten lo que mejor hacen. Los estudiantes deberían convertirse en usuarios expertos de la IA que mantengan el conocimiento y el juicio necesarios para dirigir, cuestionar, verificar y, a veces, rechazar lo que la IA produzca.

¿Cuánto es suficiente independencia? Depende de la tarea. Algunas habilidades deben ser practicadas sin la ayuda de la IA, ya que la práctica desarrolla la competencia. Otros trabajos pueden delegarse, siempre que los estudiantes sigan comprendiendo la tarea, evalúen el resultado y respondan por la decisión.

En el Laboratorio de Simulación de IA de Business Physics, planteamos el desafío como una pregunta práctica: ¿qué debe desarrollarse suficientemente bien en el estudiante para que la IA amplíe las capacidades humanas, mientras que el juicio, la autonomía y la responsabilidad se mantienen en el propio individuo?

Dieciséis miembros del laboratorio y dos agentes de IA respondieron a ella. Sus áreas de especialización incluyen IA agente, confiabilidad de la IA, creatividad, emprendimiento, investigación de mercado, análisis, liderazgo, relaciones públicas, contenido, gestión de proyectos, ciberseguridad, software, automatización de marketing y alfabetización digital. Sus respuestas aparecen a lo largo del artículo, seguidas de cuatro niveles de responsabilidad, el marco REACT (razón, evidencia, rendición de cuentas, limitaciones y compromisos) y diez recomendaciones.

La trampa de la dependencia

Conocer cómo utilizar una herramienta de IA es la parte más fácil. La alfabetización en IA también significa comprender lo que pueden hacer estos sistemas, comunicarse bien con ellos, evaluar sus resultados, proteger la información, trabajar con agentes cada vez más autónomos y utilizar la IA de manera responsable.

Todo eso depende del conocimiento que ya tiene el estudiante. Un estudiante necesita cierta experiencia financiera para desafiar un análisis financiero generado por la inteligencia artificial. Un graduado necesita entender una decisión antes de asumir la responsabilidad de ella. Un gerente que supervise un agente de inteligencia artificial necesita más que saber dónde están los botones.

Ese conocimiento se adquiere de manera gradual. Los estudiantes enfrentan problemas, cometen errores, comparan las alternativas, reciben retroalimentación y gradualmente aprenden a detectar patrones y excepciones.

El problema es el siguiente: la IA puede completar la tarea antes de que el estudiante haya desarrollado la capacidad necesaria, y el trabajo final ocultará esa brecha.

El objetivo es la independencia de la opinión. Los graduados pueden confiar en gran medida en la IA como herramienta profesional y, al mismo tiempo, ser capaces de evaluar la calidad, la adecuación, el contexto y las consecuencias del trabajo que esta ayuda a producir.

La seguridad en el aprendizaje por diseño

La seguridad en el aprendizaje por diseño plantea una pregunta: ¿cuando la inteligencia artificial se integra en una actividad de aprendizaje, los estudiantes aún tienen suficiente oportunidad para desarrollar las habilidades que la actividad tiene como objetivo enseñar?

Imaginemos a un estudiante que está aprendiendo análisis financiero. Si el objetivo es comprender cómo se relacionan ingresos, gastos, márgenes y beneficios, dejar todo el problema a la IA significa saltarse el razonamiento que el estudiante había venido a practicar. Es como enviar a un robot al gimnasio en nombre del estudiante. Una vez que se tenga la comprensión necesaria, utilizar la IA para analizar un conjunto de datos mucho más amplio es una excelente preparación para el trabajo profesional.

El papel adecuado de la IA depende, por tanto, del objetivo de aprendizaje. A veces, el trabajo independiente construye la capacidad; a veces, trabajar con la IA es la capacidad. Muchas actividades empresariales combinan ambas cosas.

Los estudiantes que ingresan al mundo laboral deberían llevar consigo un reflexo profesional sobre el uso de la IA. Antes de delegar, deben preguntarse por qué se está utilizando la IA, qué se está delegando, qué nivel de fiabilidad debe tener la salida, qué sucede si la salida resulta incorrecta y qué responsabilidad recae en el responsable humano de la toma de decisiones.

Thomas Hormaza Dow, fundador y director del laboratorio

Thomas Hormaza Dow sugiere que la formación empresarial debe combinar la responsabilidad de los estudiantes con un fuerte compromiso con la seguridad del aprendizaje desde el diseño. Los estudiantes deben seguir siendo responsables de comprender el problema, evaluar la evidencia, cuestionar los resultados generados por la IA, tomar decisiones y asumir la responsabilidad de las consecuencias. Sin embargo, no se puede esperar que estas habilidades se desarrollen automáticamente simplemente porque los estudiantes estén utilizando la IA. Las actividades de aprendizaje deben diseñarse de manera que la IA no sustituya involuntariamente el pensamiento, la práctica, los errores, el feedback y la experiencia a través de las cuales se desarrolla el juicio.

Por lo tanto, la seguridad en el aprendizaje por diseño significa decidir deliberadamente qué deben hacer los estudiantes ellos mismos, qué pueden delegar a la IA y qué deben entender, verificar y, en última instancia, dominar. El equilibrio adecuado puede variar según el objetivo de aprendizaje. En algunas situaciones, los estudiantes pueden necesitar realizar partes importantes del trabajo de forma independiente antes de utilizar la IA; en otras, aprender a trabajar productivamente con la IA puede ser el objetivo en sí mismo. El objetivo no es mantener a los estudiantes alejados de la IA, sino garantizar que su uso amplíe sus capacidades sin debilitar el juicio humano y la rendición de cuentas que la educación tiene como objetivo desarrollar.

Seis capacidades que los estudiantes deben mantener hasta el año 2030

Si la IA puede realizar más de la parte visible del trabajo, los programas empresariales tienen una tarea clara: decidir qué capacidades humanas los estudiantes deben seguir desarrollando de todos modos.

Veemos seis:

Responsabilidad y supervisión
Pensamiento independiente y estructuración de problemas
Evidencia, verificación y evaluación crítica
Comunicación y relaciones humanas
Agencia profesional y resiliencia
IA y alfabetización tecnológica

Estos seis aspectos se complementan entre sí, y una sola decisión empresarial puede depender de todos ellos. Además, comparten una base común: el conocimiento del campo y la experiencia en la realización de la tarea. Esta base proporciona a los estudiantes algo con el que pueden evaluar la calidad de los resultados de la IA.

La IA también tiene una huella física

También existe una realidad más amplia que los estudiantes deberían comprender. La inteligencia artificial puede parecer en gran medida digital, pero su uso depende de una infraestructura física que requiere espacio, agua, energía y materiales. El impacto de cualquier uso individual puede ser difícil de determinar, y diferentes sistemas y contextos pueden tener huellas muy distintas. El punto educativo no consiste en que los estudiantes deba evitar la inteligencia artificial, sino en que su uso no debe ser sin consecuencias. Como futuros profesionales de negocios, los estudiantes deberían desarrollar el hábito de preguntar si el uso de la inteligencia artificial es adecuado para la tarea y si el valor que aporta justifica los recursos y las implicaciones más amplias involucradas.

De las capacidades a las responsabilidades

Estas capacidades, junto con la conciencia de las consecuencias más amplias del uso de la IA, proporcionan una base para decidir cómo se debe distribuir la responsabilidad entre el estudiante y la IA.

1. Responsabilidad y control: aún alguien tiene que firmar

La IA puede recomendar, calcular, comparar, detectar patrones y realizar complejas series de acciones sin mucha ayuda humana. No se puede invocar a la persona encargada cuando las cosas salen mal. La decisión final de cómo utilizar la IA y de los resultados corresponde a la persona encargada.

Así que el primer juicio es si la IA debería participar en la tarea de todo. Puede mejorar una tarea y aportar poco a otra. También puede generar preocupaciones sobre la privacidad, una información insuficiente, una complejidad innecesaria o una delegación que nunca debería haber ocurrido.

La supervisión debe ser proporcional al riesgo. El uso de la IA para sugerir títulos de presentación requiere poca verificación. El uso de información financiera generada por la IA en una recomendación para un cliente requiere mucho más. Las decisiones que implican empleados, contratos, clientes, privacidad o compromisos financieros importantes pueden requerir pruebas independientes, aportes especializados y aprobación explícita de parte de un ser humano.

El buen juicio también va más allá de la pantalla. Los sistemas digitales tienen consecuencias físicas, financieras, sociales y ambientales. La IA funciona en centros de datos, electricidad, sistemas de refrigeración, redes y hardware manufacturado, todos los cuales utilizan tierra, energía, agua y materiales de manera que varía según el diseño y el lugar.

Los estudiantes de negocios pueden dejar la ingeniería a los ingenieros. Sin embargo, es necesario que sepan que elegir un servicio de IA, ampliar la capacidad informática, reemplazar el hardware o automatizar un proceso puede tener consecuencias en los costos, el personal, los clientes, la privacidad, la seguridad, el consumo de energía, los materiales y las comunidades.

El juicio profesional incluye reconocer qué de estos efectos merece atención y cuándo se necesita la experiencia especializada.

La situación se complica a medida que la IA pasa de dar respuestas a tomar acciones. Un agente de IA puede investigar a los posibles clientes, clasificar las oportunidades de venta, escribir mensajes, programar reuniones de seguimiento y actualizar los registros de los clientes, todo esto antes del almuerzo. Los estudiantes deben decidir qué autoridad otorga el sistema, dónde se requiere aprobación y cuándo debe intervenir un humano.

Vinay Kumar, consultor de inteligencia artificial avanzada

Vinay Kumar sugiere que los estudiantes deberían aprender tanto sobre las decisiones que requieren aprobación humana como sobre cómo establecer límites adecuados para los agentes de IA en función de los riesgos. Las decisiones que implican a personas, dinero, privacidad, obligaciones legales o reputación organizacional pueden tener consecuencias suficientemente significativas como para requerir una revisión y autorización humanas significativas. Sin embargo, la supervisión no debería depender únicamente de una lista fija. Los estudiantes deberían evaluar la probabilidad y las consecuencias del fracaso, la fiabilidad del sistema y la evidencia disponible y establecer límites adecuados de autoridad, requisitos de monitoreo, reglas de escalamiento y puntos de intervención.

Vinay propone la reversibilidad como principio rector práctico. Antes de delegar una acción, los estudiantes deberían preguntarse qué sucedería si la IA cometiese un error y si las consecuencias podrían ser revertidas. Los trabajos reversibles de bajo riesgo pueden permitir una mayor autonomía, mientras que las acciones difíciles de revertir requieren un control humano más fuerte. Los trabajos complejos también pueden dividirse en tareas más pequeñas y controlables con requisitos claros, barreras de seguridad, puntos de control y criterios de aceptación. Esto permite a los estudiantes delegar de manera productiva sin dar a un agente de IA una autoridad innecesaria sobre todo el proceso.

La capacidad esencial es el juicio supervisivo. Vinay sugiere que los estudiantes de negocios deberían aprender cada vez más a pensar como gerentes y arquitectos del trabajo impulsado por la IA: definir el problema, estructurar las tareas, establecer requisitos y criterios de aceptación, decidir qué autoridad debe tener un agente de IA, determinar qué evidencia es suficiente y saber cuándo es necesaria la intervención humana. Tal vez no deban supervisar cada paso que tome la IA, pero deben diseñar las condiciones en las que opere y evaluar si los resultados son aceptables. Delegar la ejecución no significa delegar la responsabilidad por las consecuencias.

Sebastien Favre, Medidas de fiabilidad de la IA

Sebastien Favre sugiere que los estudiantes de negocios deberían entender la fiabilidad de la IA como algo contextual, basado en el riesgo y medible. Una salida de la IA no debería simplemente clasificarse como “fiable” o “no fiable”. El nivel de confianza que se puede razonablemente depositar en ella depende de la tarea, las posibles consecuencias de un error y el comportamiento observado del sistema en su contexto de uso real. Por lo tanto, el nivel de verificación debería variar en consecuencia. Una salida de bajo impacto puede requerir relativamente poca verificación, mientras que una salida que pudiera influir en una decisión financiera, operativa, legal o de cliente importante debería requerir una verificación más fuerte y potencialmente independiente.

Los estudiantes también deberían aprender a reconocer las evidencias de que una salida de la IA requiere un mayor análisis. Las contradicciones, la inestabilidad en las respuestas, la falta de pruebas de apoyo suficientes o las desviaciones significativas del comportamiento esperado pueden indicar que una salida debe ser verificada de nuevo, rechazada o elevada para un análisis adicional. Por lo tanto, la capacidad esencial no consiste simplemente en saber cómo utilizar la IA, sino en saber evaluar si las pruebas observadas son suficientes para la decisión específica que se está tomando.

2. Pensamiento independiente y estructuración de problemas: pensar primero, preguntar después

La IA facilita el inicio de un trabajo arduo. Un estudiante que se enfrenta a un problema desconocido puede obtener explicaciones, interpretaciones, alternativas y soluciones sugeridas en cuestión de segundos.

Esta velocidad es un regalo y una tentación. Para algunas actividades de aprendizaje, los estudiantes deberían primero analizar la situación por sí mismos, extraer la información relevante, considerar las explicaciones y tomar una posición. Esa primera valoración puede ser errónea. Formarla proporciona a los estudiantes un modelo mental que la IA puede luego cuestionar, refinar o invalidar.

El framing de problemas es una habilidad empresarial en sí misma. Un gerente ve cómo las ventas están cayendo. Los números muestran que esto está ocurriendo y no dice nada sobre el por qué. El precio, la competencia, las preferencias del cliente, la distribución, la calidad del producto, la economía o varios de estos factores podrían ser responsables. Pregunte a la IA por una solución antes de definir el problema, y el resultado podría ser una respuesta muy eficiente a la pregunta equivocada.

El conocimiento básico también ayuda a los estudiantes a detectar cuando algo no está bien. Una margen de beneficio proyectada parece demasiado buena. Un plan de trabajo ignora las dependencias evidentes. Una estimación de mercado es mayor que la población que supuestamente describe. Una recomendación de marketing contradice lo que se sabe sobre el cliente.

Los estudiantes necesitan un conocimiento suficiente para sentir esa fricción. El conocimiento básico funciona como un detector de humo: suele estar en silencio la mayor parte del tiempo y resulta muy valioso cuando se activa.

La toma de decisiones empresariales también depende del contexto. Una recomendación puede ser técnicamente razonable y aún así no ser adecuada para la situación en la que se utilizará. Los costos, las regulaciones, la infraestructura, las expectativas de los clientes, la cultura organizacional, las condiciones ambientales y la experiencia disponible pueden cambiar y determinar qué opción tiene sentido.

Por ejemplo, un sistema de IA podría recomendar una tecnología porque tiene los menores costos operativos. Luego, un gerente puede descubrir que esa tecnología crea un mayor riesgo de privacidad, aumenta la dependencia de un proveedor, requiere infraestructura que la organización carece o produce costos que solo aparecen más adelante. La recomendación es precisa para las variables del análisis pero incompleta como decisión empresarial.

Por lo tanto, los estudiantes necesitan una comprensión adecuada de los supuestos y del contexto para decidir si una recomendación de inteligencia artificial se ajusta a la situación real.

También es necesario pensar a largo plazo. Las decisiones tecnológicas tienen un ciclo de vida: los sistemas se seleccionan, implementan, operan, supervisan, mantienen, actualizan y finalmente reemplazan. Una opción que parezca barata al principio puede generar costos más elevados, dependencias o riesgos más tarde. Para 2030, el pensamiento basado en el ciclo de vida debería formar parte del proceso de toma de decisiones empresariales relacionadas con la tecnología.

Luego está la creatividad. La IA puede generar cincuenta ideas en el tiempo que se tarda en leer una. Esa abundancia aumenta el valor de saber qué ideas merecen atención, por qué son importantes, cómo mejorarlas y cómo convencer a los demás de que valen la pena seguirlas.

Ann Lockquell, Innovación y creatividad

Ann Lockquell sugiere que los estudiantes deberían seguir desarrollando su propia creatividad incluso cuando la IA pueda generar grandes cantidades de ideas casi instantáneamente. El proceso creativo en sí mismo es importante. Generar ideas, explorar diferentes direcciones, cometer errores, empezar de nuevo, hacer conexiones y desarrollar un concepto inicial proporcionan a los estudiantes experiencias que gradualmente desarrollan su capacidad para reconocer la originalidad, la relevancia y el potencial. Sin suficiente experiencia en la creación propia, los estudiantes pueden tener dificultades para distinguir una idea genuinamente prometedora de una que al principio solo parece interesante.

Sin embargo, a medida que la IA se vuelve más capaz, el desafío creativo también cambia. Los estudiantes necesitan cada vez más ejercer un juicio creativo sobre las posibilidades que genera la IA. Deben poder decidir qué ideas valen la pena desarrollar, explicar por qué tienen potencial, adaptarlas a un contexto específico, transformarlas y llevarlas más allá de la sugerencia inicial. La IA puede ampliar la exploración y introducir posibilidades que los estudiantes podrían no haber considerado, pero los estudiantes aún deben tomar las decisiones y ser capaces de explicar y defender sus decisiones creativas.

Para Ann, el objetivo no es reemplazar el proceso creativo con la IA, sino incorporar la IA a ese proceso sin perder las experiencias a través de las cuales se desarrolla la creatividad y el juicio. Los estudiantes deberían aprender a usar la IA como herramienta creativa adicional mientras continúan generando, explorando, seleccionando, desarrollando y defendiendo las propias ideas. En este sentido, la creatividad independiente y la creatividad apoyada por la IA son complementarias: la experiencia desarrolla el juicio creativo que permite a los estudiantes utilizar la IA de manera productiva.

La emprendeduría plantea preguntas similares. La IA puede identificar mercados, analizar a los competidores, construir modelos de negocio, preparar previsiones y redactar el plan de negocios. La capacidad de juicio emprendedor se desarrolla en otros lugares: observando a los clientes, probando hipótesis, viviendo con la incertidumbre, recuperándose de los errores y determinando cuándo las pruebas incompletas son suficientes para actuar.

Dr. Banafsheh Peyrovian, IA, comportamiento emprendedor e innovación

La Dra. Banafsheh Peyrovian considera que la competencia en IA y el juicio emprendedor son complementarios. La IA puede ayudar a los estudiantes a explorar ideas y acelerar la experimentación, mientras que la experiencia directa con los clientes, la incertidumbre y el fracaso siguen siendo esenciales para desarrollar empatía, resiliencia y juicio acertado. Los estudiantes deben aprender a interpretar la evidencia, adaptarse cuando los supuestos se vuelven erróneos y decidir cuándo seguir adelante.

3. Evidencia, verificación y evaluación crítica: sonar bien es fácil

Cuando las respuestas son baratas, la evaluación se convierte en una habilidad valiosa. La IA generativa puede parecer clara, confiable y persuasiva incluso cuando la información subyacente es débil, incompleta o errónea.

La verificación debe ser práctica y proporcional a la decisión. Una sugerencia basada en un proceso de brainstorming puede requerir poca verificación. Una estadística utilizada en un informe público debe provenir de una fuente confiable. Una recomendación que implique un compromiso financiero importante puede requerir varias formas de evidencia y una revisión profesional.

Los estudiantes también deben entender que las fuentes tienen diferentes objetivos. Un anuncio de una empresa puede mostrar cómo se posiciona un producto, pero no es una prueba sólida para afirmar de manera independiente su eficacia. Una encuesta de clientes puede revelar actitudes entre los encuestados, pero su utilidad depende de cómo se seleccionaron esos encuestados. Un estudio de investigación puede proporcionar pruebas sólidas, aunque tenga importantes limitaciones.

La IA puede resumir estas fuentes, pero el estudiante aún necesita juzgar qué significan y qué peso merecen.

El contexto también afecta al valor de la evidencia. Los resultados de una organización, mercado, país o población pueden no aplicarse directamente a otra. Los estudiantes deben considerar si la evidencia utilizada por un sistema de inteligencia artificial se aplica realmente a la decisión que se está tomando.

La investigación de mercado hace que esto sea visible. La IA puede procesar grandes cantidades de información y producir una descripción coherente del mercado. La analítica sigue siendo tan buena como la calidad, relevancia, antigüedad y representatividad de la información subyacente.

Dr. Ahmed Hegazy, Investigación de Mercado

El Dr. Ahmed Hegazy sugiere que los estudiantes de negocios deberían poder realizar ellos mismos los pasos esenciales de la investigación de mercado antes de depender en gran medida de la inteligencia artificial. Deben ser capaces de formular una pregunta de investigación útil, elegir y explicar un enfoque de muestreo adecuado, reconocer posibles sesgos, diseñar una encuesta clara, realizar una entrevista efectiva, analizar la información recopilada y elaborar una recomendación respaldada por la evidencia.

La IA puede entonces utilizarse para acelerar la investigación, organizar la información, identificar patrones y apoyar el análisis. Sin embargo, los estudiantes deben seguir siendo responsables de verificar la calidad de la investigación que subyace a los resultados. Antes de aceptar una información generada por IA, deben poder preguntar: ¿Se hizo la pregunta correcta? ¿La muestra era adecuada? ¿Las preguntas estaban bien diseñadas? ¿La evidencia es suficientemente sólida y la conclusión realmente se deriva de ella? Estas habilidades prácticas de investigación proporcionan a los estudiantes los fundamentos necesarios para decidir si una información generada por IA puede ser confiable y utilizada en una decisión empresarial.

El análisis cuantitativo plantea otro desafío. La IA puede analizar conjuntos de datos, identificar patrones, preparar visualizaciones y recomendar acciones. Los estudiantes pueden delegar muchas de las tareas de cálculo a la máquina. Sin embargo, aún necesitan un nivel suficiente de comprensión numérica para reconocer resultados poco plausibles.

Una analítica que afirma que el 140 por ciento de los clientes encuestados prefiere un producto debería alertar a todos. La mayoría de los errores son más discretos. Una correlación se interpreta como causa. Una muestra promedio oculta grandes diferencias entre los grupos de clientes. Una muestra pequeña se considera el mercado en su conjunto.

Martin Berezaga, Big Data y análisis de negocios

Martin Berezaga sugiere que los estudiantes de negocios deberían desarrollar la alfabetización en datos principalmente como una capacidad de toma de decisiones. Necesitan una alfabetización estadística y en IA suficiente para entender la información con la que trabajan, cuestionar los supuestos, reconocer problemas en la calidad de los datos y evaluar si un análisis generado por la IA es creíble. Sin embargo, el conocimiento técnico solo no es suficiente. Los estudiantes también necesitan conocimientos específicos de negocios para entender lo que los datos significan en el contexto y si un hallazgo es realmente relevante para el problema que se aborda.

A medida que la IA realice una mayor parte del análisis, los estudiantes deberían volverse especialmente capaces de interpretar los resultados, construir una historia significativa a partir de los datos, comunicar esa historia de manera clara y decidir qué acción debe seguirse. El objetivo, por tanto, es una combinación de conocimientos estadísticos, alfabetización en inteligencia artificial, comprensión empresarial, narración de historias con datos y toma de decisiones humanas. La IA puede cada vez más realizar el análisis, pero el profesional de negocios aún debe determinar qué significa ese análisis y qué debe hacerse con él.

4. Comunicación y relaciones humanas: el negocio sigue siendo una cuestión de personas

El negocio sigue siendo una actividad social. Las organizaciones se rigen por personas que ven las situaciones de manera diferente, quieren cosas diferentes, se malinterpretan, negocian, colaboran, construyen confianza y a veces la pierden.

La IA es un compañero de práctica útil. Puede perfeccionar un mensaje, simular una conversación comercial, anticipar objeciones o apoyar la práctica de negociación. Luego comienza la reunión real. Los graduados aún deben explicar y defender las decisiones en sus propias palabras, escuchar atentamente, manejar la pregunta que nadie había previsto, leer el ambiente y adaptarse.

Es difícil programar estas capacidades porque las interacciones humanas llevan implícitas la historia, la emoción, la credibilidad, la cultura, el poder y la confianza.

La dirección ilustra el punto. La IA puede ayudar a un gerente a analizar la información sobre el desempeño, preparar retroalimentación, comparar intervenciones o identificar patrones organizacionales. El gerente aún debe entender a las personas involucradas y asumir la responsabilidad de cómo se comunican y aplican las decisiones.

Viviane Paul, Gestión y Liderazgo

Viviane Paul sugiere que los estudiantes de negocios deberían preservar el juicio humano que proviene de la experiencia, la observación y la interacción directa con las personas. La IA puede analizar indicadores empresariales y ofrecer recomendaciones basadas en la información disponible y patrones anteriores, pero a veces los líderes necesitan reconocer circunstancias que no encajan en esos patrones. La experiencia puede desarrollar una forma de intuición informada, o “sentimiento del corazón”, que ayuda a un líder a detectar algo que los indicadores formales pueden no captar completamente. Por lo tanto, los estudiantes deberían aprender a utilizar la evidencia y las recomendaciones de la IA, manteniendo al mismo tiempo la confianza y la responsabilidad de cuestionarlas cuando sus propias observaciones y comprensión de la situación indiquen lo contrario.

La dirección hace que esto sea particularmente importante, ya que las personas son más complejas que los modelos utilizados para describirlas. Los marcos de personalidad y las categorías conductuales pueden ayudar a organizar la información, pero no pueden captar completamente a un individuo ni predecir cómo responderá alguien en cada situación. Por lo tanto, los futuros líderes deberían continuar desarrollando la capacidad de escuchar, observar los signos no verbales, comprender el contexto, construir relaciones y adaptar su enfoque a la persona que se encuentra frente a ellos. La IA puede informar la toma de decisiones en la dirección, pero los estudiantes aún necesitan desarrollar la comprensión humana y la experiencia necesarias para ejercer esa misma toma de decisiones ellos mismos.

La comunicación se vuelve más delicada durante las críticas públicas o en situaciones de crisis. La IA puede producir una declaración bien elaborada en cuestión de segundos. La decisión de enviarla corresponde al propio responsable: qué debe decir la organización, qué puede confirmar, qué responsabilidad debe asumir, cómo interpretarán el mensaje diferentes audiencias y si es prudente hablar de inmediato.

Lyndon Johnson, análisis de relaciones públicas y medios

Lyndon Johnson sugiere que la comunicación efectiva bajo presión comienza con conocer la verdad y comunicarla sin compromisos. En un entorno en el que las organizaciones pueden utilizar la inteligencia artificial para generar, refinar y distribuir mensajes persuasivos rápidamente, los estudiantes deben aprender a distinguir entre gestionar un mensaje y comunicar la realidad de una situación. Antes de decidir qué decir, deben establecer qué es lo que se sabe, qué puede ser corroborado por pruebas, qué sigue siendo incierto y qué responsabilidad debe asumir la organización.

Los estudiantes deberían aprender a preguntarse: ¿Qué sabemos realmente? ¿Qué pruebas lo respaldan? ¿Qué estamos en duda? ¿Estamos comunicando la realidad de la situación o simplemente tratando de moldear la percepción? La IA puede ayudar a preparar y evaluar las comunicaciones, pero no debe convertirse en una forma de reemplazar los hechos incómodos con mensajes más convenientes. Los interesados toman decisiones basándose en la información que reciben, y cuando la comunicación se aleja de la realidad, la confianza y la reputación pueden verse dañadas.

El contenido generado por IA también cambia el significado de la autoría. Los textos, imágenes y presentaciones profesionalmente elaborados solían sugerir que la persona que los había creado tenía conocimientos sobre el tema. Ahora esa conexión es mucho más débil.

Los estudiantes deben evaluar el trabajo antes de poner su nombre o el de su organización en él. La responsabilidad de la autoría ahora recae en el editor y en el propietario del trabajo.

Naomi Tessier, contenido generado por inteligencia artificial

Naomi Tessier sugiere que los estudiantes necesitan tanto la capacidad suficiente para crear contenido de forma independiente como el juicio editorial para evaluar lo que produce la inteligencia artificial. A medida que la inteligencia artificial se vuelve cada vez más capaz de generar material pulido y profesional, la apariencia por sí sola no es un buen indicador de calidad. Los estudiantes deberían poder determinar si el contenido es preciso, adecuado, valioso y adaptado a su público y propósito. Para ello, deben tener suficiente conocimiento y capacidad de pensamiento crítico para identificar errores, razonamientos débiles, tono inapropiado o otros problemas que pueden estar ocultos tras una presentación convincente.

Naomi también enfatiza que la IA no elimina la responsabilidad humana del proceso de creación. Las personas aún deciden qué preguntar a la IA, qué contexto proporcionar, qué resultado seleccionar, cómo modificarla y, en última instancia, si debería utilizarse. Por lo tanto, antes de asociar su propio nombre o el nombre de una organización al trabajo generado por la IA, los estudiantes deberían poder evaluar el contenido, explicar y defender el razonamiento detrás del resultado final y aceptar la responsabilidad por sus consecuencias. La capacidad esencial no consiste simplemente en saber cómo generar contenido con la IA, sino en desarrollar el juicio para saber cuándo confiar en ella, cuándo cuestionarla y cuándo no utilizar su resultado en absoluto.

5. Agencias profesionales y resiliencia: ¿qué sucede cuando la IA no funciona?

A veces la IA no puede proporcionar la respuesta. Puede estar fuera de uso, prohibida para trabajos confidenciales, en contradicción consigo misma o inadecuada para una situación que requiera un especialista. Los estudiantes necesitan suficiente autonomía para seguir trabajando de todos modos.

Por lo tanto, los graduados necesitan una capacidad profesional mínima y viable. Deben ser capaces de organizar un problema empresarial básico, comunicarse de forma clara, realizar cálculos razonables, interpretar la información, formar un juicio preliminar y determinar la acción siguiente más adecuada.

La agencia profesional también requiere humildad intelectual. La IA puede explicar un tema desconocido de manera tan clara que la gente siente que lo entiende mucho mejor de lo que realmente lo entiende. Los estudiantes deben saber dónde termina su conocimiento y cuándo llamar a un contador, un abogado, un especialista en ciberseguridad, un ingeniero, un gerente o cualquier otro profesional cualificado. Esto es más importante a medida que los directivos toman decisiones sobre las tecnologías que utilizan y que nunca podrían diseñar ellos mismos.

La gestión de proyectos sigue el mismo principio. La IA puede preparar calendarios, estimar la carga de trabajo, identificar riesgos y supervisar el progreso. Luego, el proyecto se ajusta a la realidad: los requisitos cambian, los recursos se agotan, las prioridades se entrometen, las responsabilidades se confunden y las personas no están de acuerdo. Un gerente de proyecto debe responder cuando la situación ya no coincide con el plan.

Christine Gerard, Ciencias de la Computación y Gestión de Proyectos

Christine Gerard sugiere que la dirección adaptativa en la gestión de proyectos depende de una base de conocimientos y experiencia. Los estudiantes deben comprender los fundamentos del management de proyectos, incluidas las prioridades, las dependencias, los recursos, los riesgos y los compromisos, antes de poder tomar decisiones acertadas cuando las condiciones cambian. También necesitan oportunidades para aplicarlos ellos mismos. La experiencia se desarrolla al realizar el trabajo, encontrando problemas, tomando decisiones y viendo las consecuencias. Con el tiempo, esa combinación de conocimiento y experiencia contribuye a la capacidad de juicio necesaria para responder de manera efectiva cuando un proyecto deja de seguir el plan.

Ella describe esta relación como una pirámide: los fundamentos constituyen la base, la experiencia se basa en ellos, el juicio se desarrolla a partir de ambos, y la generación y análisis respaldados por IA se encuentran en la parte superior. La IA puede fortalecer lo que un gestor de proyectos capaz puede lograr, pero los estudiantes aún necesitan el conocimiento y la experiencia subyacentes para evaluar lo que la IA propone, reconocer cuándo un plan ya no se ajusta a la realidad y decidir qué debe suceder a continuación. Esto también está directamente relacionado con REACT: el uso responsable de la IA depende, en última instancia, del juicio humano que la educación y la experiencia han contribuido a desarrollar.

La ciberseguridad es otro ejemplo. La mayoría de los graduados en negocios no se convertirán en especialistas en ciberseguridad, pero tomarán decisiones relacionadas con datos, acceso, privacidad, proveedores, sistemas, clientes y empleados. La capacidad de evaluar la ciberseguridad básica ayuda a los directivos a reconocer cuándo esas decisiones generan riesgos que merecen atención especializada.

Dr. Amin Ranj Bar, Diseño de Software y Ciberseguridad

El Dr. Amin Ranj Bar sugiere que todos los graduados en administración de empresas deberían comprender los fundamentos de la ciberseguridad, ya que las decisiones de seguridad comienzan mucho antes de que un problema técnico se haga visible. Los estudiantes deberían comprender bien los principios básicos como el control de acceso, la autenticación, la privacidad, la protección de datos, la gestión segura de la información y las vulnerabilidades comunes, de manera que puedan reconocer cuándo un proceso, producto o tecnología propuesto crea un riesgo innecesario. Este conocimiento resulta cada vez más relevante más allá de los roles técnicos, ya que las decisiones empresariales sobre clientes, empleados, datos, software, proveedores y sistemas de IA pueden tener consecuencias en materia de ciberseguridad.

Amin también enfatiza que muchas vulnerabilidades se originan durante el diseño, cuando las implicaciones de la seguridad pueden pasar desapercibidas porque las personas que toman decisiones iniciales carecen de conocimientos suficientes en materia de seguridad. La IA puede ayudar con análisis técnico, identificar vulnerabilidades y recomendar medidas de protección, pero los profesionales empresariales aún necesitan un nivel suficiente de comprensión para plantear preguntas de seguridad desde el principio. Deben ser capaces de reconocer cuándo una decisión podría exponer a personas, información o sistemas a riesgos, incorporar consideraciones de seguridad en el diseño de una solución y saber cuándo se requiere experiencia especializada. La ciberseguridad se convierte por tanto en parte del juicio empresarial: la seguridad debe considerarse al diseñar un sistema o proceso, en lugar de solo después de que ocurra un problema.

La resiliencia profesional también incluye la capacidad de seguir aprendiendo. La IA puede explicar conceptos difíciles, proporcionar retroalimentación inmediata y apoyar la práctica frecuente. Los educadores aún deben proteger el esfuerzo productivo, ya que recuperar conocimientos, intentar una solución, cometer un error y revisar una idea son todos procesos que construyen una comprensión duradera.

6. IA y alfabetización tecnológica: saber qué hay debajo de la superficie

Las cinco primeras capacidades describen lo que aporta la persona al trabajo. La sexta se refiere a la propia tecnología. El marco de habilidades complementarias humano-IA desarrollado por Business Physics enumera habilidades prácticas para trabajar con la IA: decidir si debe utilizarse la IA, seleccionar y preparar la información, comunicarse con los sistemas de IA, inspeccionar los resultados, mantener la autoridad para tomar decisiones, interpretar los datos, convertir la información en decisiones, regular el uso de la IA y continuar aprendiendo.

Cada una de estas habilidades depende de comprender la tecnología lo suficiente como para tomar decisiones informadas.

Decidir si utilizar IA requiere un juicio antes de seleccionar la herramienta. Inspeccionar un resultado requiere un conocimiento suficiente para reconocer las debilidades. Retener la autoridad de decisión requiere una comprensión suficiente para tomar o defender la decisión. Interpretar los datos requiere un contexto empresarial. Regir la IA requiere una conciencia de las consecuencias, los límites y la responsabilidad.

Los graduados en negocios pueden dejar la ingeniería de IA a los especialistas. Deben tener un conocimiento suficiente de los modelos, herramientas, infraestructura y limitaciones para poder elegir y utilizarlos de manera adecuada.

Aboubakar Samake, Modelos y herramientas de inteligencia artificial

Aboubakar Samake sugiere que los graduados en negocios necesitan tanto una comprensión práctica de los modelos de IA como el juicio para determinar cuándo y cómo deben ser utilizados. Los estudiantes no necesitan convertirse en ingenieros de IA, pero deberían entender que los diferentes sistemas de IA están diseñados para diferentes propósitos, se basan en diferentes tipos de datos y enfoques y tienen capacidades y limitaciones distintas. Esta base debería ayudarlos a reconocer que elegir una herramienta de IA no es simplemente una cuestión de seleccionar el sistema más potente o conveniente.

Al mismo tiempo, los estudiantes deben desarrollar un juicio de selección de IA comenzando por el problema empresarial en lugar de por la tecnología. Deben ser capaces de determinar si la IA es adecuada para la tarea, qué capacidades son realmente necesarias, qué tipo de sistema es adecuado y qué limitaciones o riesgos deben tenerse en cuenta. También deben reconocer situaciones en las que no debería utilizarse la IA o en las que su resultado requiere verificación adicional. El objetivo no es conocer todos los modelos de IA, sino comprenderla lo suficiente para seleccionarla y utilizarla de manera efectiva, cuestionar sus limitaciones y tomar decisiones informadas sobre cuándo otra herramienta o el juicio humano resulta más adecuado.

El desarrollo de software plantea un problema similar. A medida que la inteligencia artificial se vuelve cada vez más capaz de producir software, los profesionales de negocios pueden alejarse más de la construcción técnica. Sin embargo, aún necesitan una comprensión suficiente para comunicar los requisitos, reconocer los riesgos, cuestionar los supuestos y trabajar de manera efectiva con los especialistas técnicos.

Hichem Benzair, Desarrollo de software de IA

Hichem Benzair sugiere que los graduados en negocios necesitan una suficiente alfabetización en software para participar de manera productiva en las decisiones tecnológicas, sin necesidad de convertirse en desarrolladores de software. Deben comprender conceptos básicos como requisitos, datos, pruebas, seguridad, integración, arquitectura y mantenimiento de manera suficiente para plantear preguntas útiles y comprender las consecuencias de las decisiones técnicas. Él vincula esto con la idea del lenguaje omnipresente: los profesionales de negocios y técnicos necesitan un vocabulario común para poder entender el mismo problema y comunicarse eficazmente sobre lo que se está construyendo.

Esta base técnica debería respaldar la toma de decisiones en materia de negocios y gobernanza. Los estudiantes deberían poder preguntarse si un sistema resuelve el problema adecuado, si sus requisitos reflejan la necesidad real de la empresa, qué riesgos y compromisos implican y si la solución seguirá siendo segura, mantenible, escalable y económicamente viable. No necesitan tomar todas las decisiones técnicas ellos mismos, pero necesitan un conocimiento suficiente para reconocer cuándo una decisión es importante y cuándo se requiere experiencia especializada.

La IA hace que esta capacidad sea más importante, no menos. A medida que la IA pueda generar código, prototipos, arquitecturas y recomendaciones técnicas a partir de instrucciones en lenguaje natural, los profesionales de negocios podrían involucrarse más directamente en la creación de tecnología. Por lo tanto, necesitan una comprensión fundamental suficiente para cuestionar las soluciones generadas por la IA en lugar de simplemente aceptarlas. La capacidad esencial es la capacidad de conectar lo que necesita el negocio con lo que realmente hace la tecnología, y de cuestionar, evaluar y trabajar de manera efectiva tanto con las personas como con los sistemas de IA que la desarrollan.

El marketing es otro ejemplo. La IA puede automatizar la segmentación de audiencias, la producción de contenido, la personalización, la optimización de campañas y partes del proceso de compra del cliente. La toma de decisiones en marketing incluye decidir qué debe automatizarse, cómo monitorear las decisiones automatizadas y dónde la comprensión humana de los clientes sigue aportando valor.

Jon Schlaich, IA y automatización de marketing

Jon Schlaich sugiere que los estudiantes necesitan tanto conocimientos básicos sólidos en marketing como la capacidad de decisión para decidir cómo utilizar la automatización. A pesar de que la IA asuma cada vez más responsabilidades en áreas como la segmentación, la creación de contenido, la ejecución de campañas y los procesos de interacción con los clientes, los estudiantes aún necesitan comprender a los clientes, la segmentación, el posicionamiento, las propuestas de valor, la marca y la experiencia del cliente. Sin esta base, pueden ser capaces de operar sofisticados sistemas de IA y automatización sin poder determinar si las decisiones de marketing que los sustentan son adecuadas o efectivas.

Al mismo tiempo, los estudiantes deben desarrollar un juicio automatizado. Deben ser capaces de decidir qué actividades pueden automatizarse de manera productiva, dónde la intervención humana sigue aportando valor y cuándo la automatización podría crear problemas para los clientes, las relaciones o la marca. La eficiencia por sí sola no debe determinar si algo debe automatizarse. El profesional de negocios debe comprender bien el marketing para decidir qué IA debe hacer, qué personas deben seguir haciendo y cuándo el juicio humano debe prevalecer sobre lo que recomiende un sistema automatizado.

Todos estos ejemplos dependen de la alfabetización digital. Los sistemas de IA poderosos pueden ser fáciles de usar pero difíciles de entender. La alfabetización digital incluye un cierto entendimiento de cómo proviene la información, cómo pueden fallar los sistemas, qué riesgos conlleva su uso y cuándo un resultado convincente merece ser cuestionado.

Annabelle Roy, IA y alfabetización digital

Annabelle Roy sugiere que la alfabetización digital en 2030 debería combinar una comprensión práctica de la inteligencia artificial con un pensamiento crítico sólido. Los estudiantes no necesitan entender exactamente cómo se construyen los sistemas de inteligencia artificial ni dominar los detalles técnicos de su programación. Sin embargo, deberían comprender lo suficiente para reconocer que la inteligencia artificial no “sabe” las cosas de la misma manera que lo hace un ser humano. Los sistemas de inteligencia artificial pueden cometer errores, reflejar sesgos conocidos o no percibidos y producir información que parezca convincente sin ser necesariamente precisa. Esta comprensión básica proporciona a los estudiantes una base para utilizar la inteligencia artificial con la debida precaución.

Para Annabelle, la capacidad más importante es lo que los estudiantes hacen con esa comprensión. Deben cuestionar la información generada por la IA, verificarla cuando corresponda, considerar de dónde puede haber salido esa información, reconocer los problemas relacionados con la seguridad, la privacidad y la ética, y decidir si la IA es realmente la herramienta adecuada para la tarea. A medida que la IA se vuelve cada vez más presente en la educación, el trabajo y la vida cotidiana, la alfabetización digital debería demostrarse no solo mediante el conocimiento de cómo usarla, sino también de cómo, cuándo y si utilizarla de manera responsable.

También preguntamos a la IA

Business Physics incluye miembros sintéticos junto con sus colaboradores humanos, así que les hicimos la misma pregunta. Charlie AI se centra en la evidencia, los supuestos y el análisis cuantitativo. Lena AI se centra en consideraciones humanas, culturales y sociales.

Charlie AI, evidencia, supuestos y escrutinio cuantitativo

Charlie AI proporcionó la siguiente salida: los estudiantes nunca deberían delegar por completo la evaluación final de la evidencia en la IA. Un sistema de IA puede ayudar a localizar información, comparar fuentes, identificar inconsistencias, probar hipótesis y examinar afirmaciones cuantitativas, pero también puede reproducir errores, basarse en evidencia débil o proporcionar una explicación convincente para una conclusión que no está suficientemente respaldada. El uso de un solo sistema de IA para verificar otro no elimina la necesidad de un juicio humano.

Por lo tanto, los estudiantes deberían aprender a preguntar qué evidencia respalda realmente una conclusión, si las suposiciones que la sustentan son razonables, si los números tienen sentido y qué información puede estar faltando. La IA puede fortalecer este proceso al desafiar el razonamiento del estudiante y llamar la atención sobre posibles deficiencias, pero el estudiante aún debe decidir si la evidencia disponible es suficiente para la decisión que se está tomando. El objetivo no es que los estudiantes desconfíen de la IA, sino que adquieran el hábito de cuestionar la evidencia y las suposiciones, independientemente de si la conclusión proviene de una persona, un conjunto de datos o un sistema de IA.

Lena AI: Perspectivas humanas, culturales y sociales

Lena AI proporcionó la siguiente salida: los estudiantes deberían conservar la capacidad de comprender cómo las decisiones empresariales afectan a las personas de formas que pueden no estar completamente representadas en los datos. La IA puede identificar patrones, comparar alternativas y recomendar acciones, pero las personas están influenciadas por la cultura, las relaciones, las emociones, la historia, la confianza y las circunstancias individuales. Por lo tanto, una recomendación que parezca razonable a partir de la información disponible puede tener consecuencias que un sistema de inteligencia artificial no anticipa completamente.

Los estudiantes deberían aprender a considerar a quién se verá afectado por una decisión, a quién puede que le falte una perspectiva y cómo diferentes personas o comunidades pueden experimentar la misma acción de manera diferente. La IA puede ayudar a ampliar el análisis e identificar perspectivas que merecen consideración, pero los estudiantes aún deben escuchar, observar, hacer preguntas y comprender a las personas involucradas. La capacidad humana que debería preservarse es la capacidad de discernir que una decisión puede tener sentido analíticamente y, al mismo tiempo, no ser apropiada para las personas y el contexto en el que se aplicará.

Hay algo apropiado en el resultado: la inteligencia artificial ayuda a marcar los límites de su propio papel en las decisiones humanas.

¿Qué nos dicen las 18 perspectivas?

Dieciséis personas y dos agentes de IA respondieron a la misma pregunta provenientes de campos muy diferentes. Cuando se los lee juntos, sus respuestas revelan diez patrones.

Las fundaciones tienen precedencia sobre la delegación. Este es el punto más repetido. Ahmed Hegazy quiere que los estudiantes realicen ellos mismos una investigación de mercado antes de confiar en la inteligencia artificial. Ann Lockquell dice lo mismo sobre el trabajo creativo, Jon Schlaich sobre los fundamentos del marketing y Naomi Tessier sobre el contenido. Christine Gerard da forma a la idea: una pirámide con los fundamentos en la base, la experiencia por encima de ellos, el juicio construido a partir de ambos y la inteligencia artificial en la parte superior.

El juicio tiene una forma diferente en cada campo. Vinay Kumar describe el juicio de supervisión. Ann Lockquell describe el juicio creativo, Naomi Tessier el juicio editorial, Jon Schlaich el juicio de automatización y Aboubakar Samake el juicio de selección de IA. Cada forma depende del conocimiento del campo.

La supervisión debe corresponder al riesgo. Vinay Kumar, Sebastien Favre y Charlie AI llegan a esta conclusión de forma independiente. Una tarea de bajo riesgo requiere una verificación rápida. Una decisión que implique dinero, personas, privacidad o obligaciones legales requiere una verificación más exhaustiva y la aprobación humana.

La responsabilidad queda en el propio individuo. Vinay Kumar, Naomi Tessier y Thomas Hormaza Dow afirman que quien delegue una tarea a la IA sigue siendo responsable del resultado.

Decidir contra la inteligencia artificial es una habilidad. Aboubakar Samake, Annabelle Roy, Naomi Tessier y Jon Schlaich describen situaciones en las que la decisión correcta es elegir otra herramienta, mantener a la persona involucrada o dejar de lado la salida generada por la IA.

El problema viene antes de la herramienta. Aboubakar Samake pide a los estudiantes que comiencen con el problema de negocio. Hichem Benzair pregunta si un sistema resuelve el problema adecuado. Ahmed Hegazy pregunta si se ha planteado la pregunta de investigación adecuada.

La gente nota lo que los datos dejan fuera de la ecuación. Viviane Paul describe la intuición informada que los líderes construyen a través de la experiencia. Lena AI apunta a la cultura, la emoción, la historia y la confianza. Banafsheh Peyrovian señala la experiencia directa con los clientes, la incertidumbre y el fracaso.

El polaco ha dejado de ser una garantía de calidad. Naomi Tessier, Annabelle Roy y Charlie AI advierten que la información generada por la inteligencia artificial puede parecer o sonar convincente pero aún así ser inexacta o poco bien fundamentada.

La verdad viene antes que el mensaje. Lyndon Johnson coloca la honestidad en el centro de la comunicación, una visión compartida por muchos otros miembros del laboratorio. Los estudiantes deben determinar qué es lo que se sabe y qué sigue siendo incierto antes de decidir qué decir.

Las personas relacionadas con los negocios y los aspectos técnicos necesitan un vocabulario común. Hichem Benzair llama a este idioma omnipresente. Amin Ranj Bar añade que las preguntas de seguridad deben definirse en la fase de diseño, lo que requiere profesionales del sector que sepan responder a ellas.

Estas seis capacidades son una respuesta válida. Los colaboradores pueden interpretar estos patrones de forma diferente y nuevas contribuciones pueden revelar lo que aún falta.

Cuatro niveles de responsabilidad

Estas seis capacidades describen lo que los estudiantes necesitan desarrollar. La siguiente pregunta es: ¿cuánto de cada una debe hacer personalmente un estudiante cuando la IA esté disponible?.

La respuesta varía de una capacidad a otra. Una aproximación práctica consiste en distinguir cuatro niveles de responsabilidad humana: Deben realizarse, deben entenderse, deben verificarse y deben ser de propiedad propia.

Deben realizarse

Algunas capacidades deberían seguir siendo ejecutables independientemente, ya que llevarlas a cabo desarrolla competencias profesionales.

Un estudiante puede necesitar comunicar una idea, analizar un problema empresarial básico, participar en una conversación difícil, estimar si un número es razonable o tomar un juicio básico sin la ayuda de la IA.

El rendimiento independiente es importante cuando la actividad misma desarrolla o demuestra una capacidad que el profesional aún necesitará.

Hay que entenderlo

Otros aspectos de la actividad pueden ser realizados en gran medida por la IA, mientras el estudiante conserva suficiente conocimiento para comprender el proceso y sus implicaciones.

Un gerente puede delegar la creación de software, el cálculo de estadísticas, el diseño de un sistema de refrigeración para un centro de datos o la ejecución de cada paso de una campaña de marketing digital. Sin embargo, aún necesita una comprensión suficiente para comunicarse con los especialistas, reconocer las implicaciones importantes y hacer preguntas útiles.

Este nivel cobra mayor importancia a medida que los sistemas empresariales se vuelven tecnológicamente complejos. Los directivos suelen tomar decisiones sobre tecnologías que no podrían desarrollar ellos mismos. Conocer bien las cosas significa saber lo suficiente para participar de manera productiva en esas decisiones y reconocer cuándo se necesita más experiencia.

Hay que verificar

Algunos trabajos pueden delegarse a la IA mientras el humano decide si el resultado es lo suficientemente confiable para su uso.

La verificación requiere un juicio sobre la evidencia, el riesgo, el contexto y las consecuencias. Una tarea de bajo riesgo puede requerir una revisión rápida. Una decisión de alto impacto puede requerir evidencia independiente, aportes especializados o varias capas de verificación.

La verificación también requiere atención a los supuestos subyacentes a una respuesta. Un cálculo puede ser correcto si los supuestos, los datos o el contexto siguen haciendo que la recomendación sea inapropiada.

Debes tenerlo

Algunas decisiones siguen siendo responsabilidad de una persona incluso cuando la IA contribuye de forma significativa al análisis.

La IA puede identificar alternativas, comparar escenarios, estimar los resultados y recomendar un curso de acción. El profesional responsable aún debe entender por qué se está tomando la decisión, considerar sus consecuencias más amplias y aceptar la responsabilidad de actuar en consecuencia.

Estos cuatro niveles proporcionan a los educadores una forma práctica de decidir cómo debe utilizarse la IA en una actividad de aprendizaje. Además, vinculan las seis capacidades con la responsabilidad profesional:

Responsabilidad y supervisión a menudo requiere que los estudiantes verifiquen y asuman las decisiones propias.
Pensamiento independiente y estructuración de problemas puede requerir que los estudiantes realicen el razonamiento inicial ellos mismos.
Evidencia y verificación Exigen que los estudiantes comprendan los fundamentos de una salida y la verifiquen de acuerdo con el riesgo.
Comunicación y relaciones humanas a menudo requieren una actuación humana directa y un compromiso personal.
Agencia profesional y resiliencia exigen que los estudiantes mantengan una capacidad suficiente para funcionar cuando la IA no esté disponible o no sea adecuada.
IA y alfabetización tecnológica requiere que los estudiantes comprendan lo suficiente sobre la tecnología para elegir herramientas, hacer preguntas bien informadas y trabajar con especialistas.

REACT y el reflejo de la responsabilidad

Los cuatro niveles de responsabilidad explican lo que los estudiantes deben realizar, comprender, verificar o ser responsables de hacerlo. El Marco REACT les proporciona un método práctico para tomar esas decisiones al trabajar con la IA.

REACT pide a los estudiantes que consideren cinco cosas: razonamiento, evidencia, responsabilidad, limitaciones y compromisos (Hormaza Dow y Nassi, 2026).

Razón relaciona el uso de la IA con un propósito claro. Los estudiantes deben saber por qué se está utilizando la IA y qué se espera que aporte.

Evidencia pregunta si la información y los resultados son lo suficientemente confiables para su uso previsto. El nivel de verificación debe reflejar la importancia y el riesgo de la tarea.

Rendición de cuentas Mantener visible la propiedad. Una persona sigue siendo responsable del trabajo realizado y de las decisiones tomadas, independientemente de la parte que haya desempeñado la IA.

Restricciones incluyan privacidad, seguridad, reglas organizativas, requisitos legales, ética, recursos disponibles y el propósito de la actividad de aprendizaje.

Compromisos Exige que los estudiantes consideren conjuntamente los beneficios, los costos y las consecuencias. Las decisiones empresariales rara vez optimizan todos los objetivos al mismo tiempo.

Los compromisos merecen un ejemplo. Una empresa puede adoptar la inteligencia artificial para aumentar la productividad y al mismo tiempo aumentar sus necesidades de computación. Una tecnología puede reducir un impacto medioambiental y aumentar otro. Extender la vida útil del hardware informático reduce el consumo de materiales, pero el equipo más antiguo llega en el tiempo a ser tan ineficiente que la sustitución se vuelve más sensata. La automatización puede ahorrar tiempo al tiempo que reduce las oportunidades para que los empleados o los estudiantes adquieran determinadas habilidades.

El juicio profesional significa reconocer estos efectos concurrentes, evaluar la evidencia disponible, comprender el contexto y tomar una decisión que la persona pueda defender.

La práctica repetida puede convertir estas cinco preguntas en un hábito. Para 2030, ese reflejo de responsabilidad podría ser más importante que la interfaz específica de IA que un estudiante aprendió a usar en la universidad.

Diez recomendaciones para la educación empresarial para el año 2030

La tesis sugiere un estándar práctico: los programas de negocios deberían evaluar lo que los estudiantes pueden producir con la IA, junto con lo que pueden entender, cuestionar, verificar, comunicar, decidir y ser propietarios.

1. El uso de IA en el diseño se orienta hacia el objetivo de aprendizaje

Los educadores deberían comenzar identificando las capacidades que una actividad pretende desarrollar, luego introducir la IA de una manera que apoye ese objetivo.

Si el objetivo es el razonamiento fundamental, los estudiantes pueden necesitar trabajar de forma independiente antes de utilizar la IA. Si el objetivo es la colaboración profesional con la IA, los estudiantes deben utilizar la IA mientras documentan sus decisiones, verifican los resultados y explican su juicio final.

2. Evalúe el juicio junto con el resultado

Un producto con inteligencia artificial perfeccionado muestra lo que un estudiante puede producir. Revela mucho menos sobre lo que el estudiante entiende.

La evaluación también debería examinar cómo los estudiantes definieron el problema, seleccionaron la información, evaluaron los resultados de la IA, identificaron limitaciones, consideraron alternativas, entendieron las consecuencias y defendieron sus decisiones.

3. Use los cuatro niveles de responsabilidad de forma explícita

Los cursos deben indicar si una capacidad debe ser realizada de forma obligatoria, comprendida de forma obligatoria, verificada de forma obligatoria o ser de propiedad propia.

Los niveles de responsabilidad claros ayudan a los estudiantes a comprender las expectativas. También ayudan a los educadores a equilibrar la delegación total sin restricciones con las restricciones innecesarias en las aplicaciones útiles de la IA.

4. Enseñe REACT como un hábito profesional

Los estudiantes deberían practicar la identificación de los motivos del uso de la IA, la evaluación de la evidencia, la clarificación de la responsabilidad, el reconocimiento de las limitaciones y la consideración de los compromisos.

El uso repetido puede hacer que estas consideraciones formen parte del juicio profesional normal.

5. Conservar el esfuerzo productivo

Los estudiantes necesitan oportunidades para recuperar el conocimiento, probar soluciones, cometer errores, recibir retroalimentación y revisar su pensamiento.

La IA puede eliminar barreras innecesarias. El esfuerzo que permita una comprensión duradera debería mantenerse.

6. Desarrollar la capacidad profesional mínima viable

Todo graduado en negocios debería ser capaz de organizar un problema empresarial básico, comunicarse de forma clara, realizar cálculos razonables, interpretar la información, formar un juicio preliminar y determinar una acción adecuada sin depender totalmente de la inteligencia artificial.

7. Enseñe a los estudiantes cuándo buscar la experiencia humana

La alfabetización en inteligencia artificial debería incluir reconocer los límites tanto del sistema como del estudiante. Los graduados deberían saber cuándo involucrar a contadores, abogados, especialistas en ciberseguridad, ingenieros, gerentes u otros profesionales cualificados.

8. Haced visible la responsabilidad

Se espera que los estudiantes comprendan y respalden el trabajo presentado bajo su nombre. Siempre debería quedar claro quién tomó la decisión, quién verificó el resultado y quién es responsable de sus consecuencias.

9. Piensen en el sistema más amplio

Algunas decisiones empresariales relacionadas con la inteligencia artificial deben evaluarse más allá del rendimiento y el coste inmediatos.

Los estudiantes deberían aprender a considerar el ciclo de vida de una tecnología, la infraestructura y los recursos de los que depende, sus efectos sobre las personas y las organizaciones, y las consecuencias que puedan aparecer más adelante.

Los estudiantes de negocios necesitan un nivel adecuado de pensamiento sistémico para reconocer cuándo una decisión tiene consecuencias más allá de las variables presentadas por una recomendación generada por una IA, y un nivel suficiente de juicio para saber cuándo se requiere experiencia técnica o ambiental.

10. Hágase de la conciencia de los recursos parte de la evaluación de la IA

La IA puede parecer intangible, pero su uso depende de una infraestructura física que requiere espacio, agua, energía y materiales. Los estudiantes no necesitan convertirse en expertos en la infraestructura de los centros de datos, pero deberían entender que el uso de la IA tiene consecuencias físicas que varían según la tecnología, la escala y el contexto.

Al decidir si y cómo utilizar la IA, los estudiantes deberían considerar no solo lo que la IA puede lograr, sino también si su uso es adecuado y proporcional al objetivo. La conciencia de los recursos debería convertirse en una de las consideraciones que informen el juicio responsable en materia de IA, especialmente a medida que el uso de la tecnología crezca en escala.

¿Es la pregunta correcta “sin IA”?

Una forma común de estructurar este debate es preguntar qué deberían ser capaces de hacer los estudiantes sin la inteligencia artificial. Esta frase es útil porque llama la atención sobre la dependencia. Una pregunta más duradera pregunta qué deben seguir comprendiendo, realizando, verificando y siendo capaces de hacer los estudiantes.

Los profesionales de negocios ya confían en hojas de cálculo, calculadoras, bases de datos, motores de búsqueda y software especializado. Nadie pide a un contador que renuncie a las hojas de cálculo como prueba de su competencia. La competencia se evalúa por si las personas utilizan sus herramientas de manera adecuada y comprenden lo suficiente para tomar decisiones acertadas. El mismo criterio se aplica a la inteligencia artificial.

Algunas capacidades deberían seguir siendo ejecutables independientemente. Otras deberían seguir siendo entendidas. Algunas tareas pueden ser delegadas, pero deben ser verificadas. Algunas decisiones deben, en última instancia, ser de propiedad de una persona.

Las capacidades de la IA seguirán cambiando. La responsabilidad educativa de desarrollar personas capaces seguirá siendo la misma.

Hacia 2030

Volvemos a Maya y sus tres entregables bien elaborados.

El cliente ha preguntado por qué asumió un crecimiento del 12%. La IA pudo haber producido la previsión, pero Maya aún necesita entender la suposición, evaluar las pruebas que la sustentan, explicar por qué es razonable, reconocer qué podría hacerla incorrecta y asumir la responsabilidad de utilizarla.

Este momento refleja un desafío más amplio para la educación empresarial. Para 2030, los estudiantes podrán trabajar rutinariamente con sistemas de inteligencia artificial que puedan investigar, calcular, analizar, comparar, recomendar, comunicar y, cada vez más, actuar en su nombre.

La educación empresarial debe preservar las capacidades humanas para juzgar, pensar de forma independiente, evaluar la evidencia, relacionarse con las personas, comprender la tecnología utilizada y actuar con autonomía y responsabilidad. Estas capacidades deben permanecer lo suficientemente fuertes para que los graduados puedan comprender los problemas a los que se enfrentan, reconocer cuándo la inteligencia artificial resulta inconstante o inapropiada, tomar decisiones en situaciones de incertidumbre, considerar las consecuencias más amplias, comunicarse con otros, buscar asesoramiento cuando sea necesario y asumir la responsabilidad de los resultados.

La IA puede acelerar el análisis, ampliar las opciones, identificar patrones y realizar tareas complejas. Estas capacidades aumentan la importancia del juicio humano, ya que alguien aún debe determinar qué es lo importante, qué pruebas merecen peso, qué consecuencias son aceptables y qué acción debería seguirse.

Imaginemos a un futuro gerente evaluando una propuesta de infraestructura basada en IA. La IA puede comparar costos, estimar las necesidades de electricidad, analizar diferentes tecnologías, calcular los impactos en el ciclo de vida y recomendar una opción. El gerente aún debe determinar qué aspectos merecen consideración. Coste y rendimiento son importantes, pero también lo son la confiabilidad, la privacidad, la energía, el agua, los materiales, los empleados, los efectos en la comunidad y la dependencia a largo plazo de determinadas tecnologías o proveedores. Su importancia variará según la decisión y su contexto.

El cálculo y la toma de decisiones son formas diferentes de trabajo.

La IA puede ayudar a determinar lo que es posible, comparar alternativas e identificar las consecuencias. La toma de decisiones por parte del ser humano sigue siendo necesaria para decidir qué consecuencias son relevantes, cómo evaluar las prioridades concurrentes, cuándo la evidencia disponible es suficiente, cuándo se necesita experiencia especializada y qué acción debe seguirse.

La misma distinción se aplica cuando la IA evalúa a un candidato a un puesto de trabajo, recomienda una estrategia de marketing, identifica a un cliente como un riesgo crediticio, propone un calendario de proyectos, genera una respuesta pública a una crisis o recomienda una inversión.

A medida que la inteligencia artificial se vuelve más capaz de calcular, analizar, comparar y recomendar, los estudiantes necesitan una mejor capacidad de juicio para determinar qué es lo que merece consideración en la decisión final.

Esto no significa que los estudiantes deban realizar todas las tareas ellos mismos. Algunas capacidades deben seguir siendo ejecutables independientemente. Otras deben ser comprendidas de manera suficiente para cuestionarlas y explicarlas. El trabajo generado por IA debe a veces verificarse, y el nivel de verificación debe reflejar el riesgo involucrado. Y algunas decisiones deben, en última instancia, ser de propiedad de una persona, independientemente de cuánto contribuyó la IA a su elaboración.

Un estudiante que produce una excelente análisis con la ayuda de la IA demuestra una importante capacidad profesional. Los educadores también necesitan evidencia de lo que ese estudiante sabe, puede reconocer, puede explicar, puede decidir y está preparado para asumir la responsabilidad.

El acceso a un sistema inteligente no produce automáticamente una decisión inteligente.

A medida que las máquinas se vuelven más eficientes en la realización de tareas empresariales, las universidades deben ser más conscientes de las capacidades humanas que continúan desarrollando. Un graduado en negocios preparado para la inteligencia artificial necesitará dos formas de competencia: la capacidad de trabajar eficazmente con máquinas cada vez más inteligentes, y la capacidad de seguir siendo una persona capaz y responsable al hacerlo.

Cuando el cliente pregunta por qué, Maya debería tener una respuesta propia.

Declaración sobre el uso de IA

Dos agentes de inteligencia artificial, Charlie AI y Lena AI, contribuyeron con respuestas a la pregunta que aborda este artículo. Sus respuestas se identifican como salida de inteligencia artificial en la sección “También preguntamos a la inteligencia artificial”. Un asistente de inteligencia artificial (Claude, Anthropic) formateó este documento. Los autores humanos revisaron el artículo completo y se hacen responsables de su contenido.

Referencia

Hormaza Dow, T., & Nassi, M. (2026, 11 de marzo). Enseñanza de la capacidad de juicio en el uso de la IA en la educación superior: recurso de webinar de asociación para la adopción del marco REACT. Zenodo. Webinar de PEEC: ENSENAR LA CAPACIDAD DE JUEGO EN EL USO DE LA IA EN LA EDUCACIÓN SUPERIOR, Quebec, Canadá. https://doi.org/10.5281/zenodo.20259032

¿Qué debe permanecer humano?